يقدم هذا التقرير الفني طريقة فعّالة لتوقع الحركة في القيادة الذاتية. نحن نطوّر طريقة تعتمد على نموذج الترانسفورمر لترميز المدخلات وتوقع المسارات. علاوةً على ذلك، نقترح "مُعدّل التدفق الزمني" (Temporal Flow Header) لتعزيز ترميز المسارات. في النهاية، نستخدم طريقة مجمّعة فعّالة قائمة على خوارزمية K-means. وباستخدام شبكتنا القائمة على الترانسفورمر وطريقة التجميع، نحقق المركز الأول في مسابقة توقع الحركة في مجموعة بيانات Argoverse 2، مع تحقيق أفضل أداء مُسجّل حتى الآن من حيث معيار brier-minFDE بقيمة 1.90.